2. INTRODUKSI STRUCTURAL
EQUATION MODELING (SEM)
Dalam fenomena manajemen (Bisnis) sebuah variabel
tergantung dapat dipengaruhi oleh beberapa variabel bebas,
demikian juga beberapa variabel bebas mampu mempengaruhi
beberapa variabel tergantung.
Sehinga model akan nampak menjadi sangat rumit.
Model yang rumit ini pada dasarnya dapat dianalisis dengan
menggunakan analisis regresi maupun analisis jalur, namun
dalam prakteknya akan tidak efisien karena masing masing-sub
struktur harus dianalisis satu persatu, kemudian baru
digabungkan menjadi sebuah model yang utuh.
Permasalahan yang rumit tersebut dapat dianalis dengan
menggunakan analisis Structural Equational Modeling (SEM)
dengan menggunakan Program AMOS.
3. LANGKAH-LANGKAH
PEMODELAN SEM
1. Pengembangan sebuah model berbasis
teori.
2. Pengembangan Path diagram.
3. Konversi path diagram ke dalam
persamaan.
Persamaan struktural (Struktural equation)
Persamaan spesifikasi model pengukuran
(measurement model)
4. Pemilihan matriks input dan estimasi
model
4. 5. Pemilihan matriks input dan estimasi
model
Matriks input data yang digunakan adalah matriks
varian/kovarian atau matriks korelasi.
Ukuran sampel, Hair, et al. (1996) menemukan
bahwa ukuran sampel yang sesuai untuk SEM
adalah 100-200.
Estimasi model, yang tersedia dalam program AMOS
adalah tehnik.Maximum Likehood Estimation
Method, Generalized Least Square Estimation
Method, Unweighted Least Square Estimation (ULS),
Scale Free Least Square Estimation (SLS) dan
Asymptotically Distribution-Free Estimation (SLS).
6. Menilai problem identifikasi
5. 7. Evaluasi criteria Goodness-of-fit
a. Evaluasi asumsi SEM
Normalitas, dengan menggunakan criteria nilai kritis
sebesar 2,58 pada tingkat signifikansi 0,01.
Outliers, merupakan observasi atau data yang
memiliki karakteristik unik, Dengan menggunakan
kriteria nilai kritis 3, maka data dinyatakan oulier jika
memiliki nilai Z-score lebih tinggi 3 atau lebih rendah
dari -3.
Multicollinearity dan Singularity, dimana yang perlu
diamati adalah diterminan dari matrik kovarian
sampelnya determinan yang kecil atau mendekati nol
mengindikasikan adanya multikolinearitas atau
singularitas, sehingga data tersebut tidak dapat
digunakan untuk penelitian.
6. b. Uji kesesuaian dan uji statistik
2 – Chi-Square statistic, semakin kecil nilai 2 semakin baik
model itu, dan diterima berdasarkan probabilitas dengan cut-off
value sebesar p> 0,05 atau p>0,010.
RMSEA (The Root Mean Square Error of Approximation),
merupakan suatu indeks yang digunakan untuk mengkonpensasi
chi-square dalam sampel yang besar.
GFI (Goodness of fit Index), merupakan ukuran non statistical
yang mempunyai rentang nilai antara 0 sampai dengan 1. Nilai
yang tinggi dalam indeks ini menunjukkan sebuah “better fit”.
AGFI (Adjusted Goodness of Fit Index), merupakan kriteria yang
memperhitungkan proporsi tertimbang dari varian dalam sebuah
matrik kovarian sampel.
CMIN/DF (The Minimum Sample Discrepancy Function Devided
with degrre of Freedom), merupakan statistic chisquare X2 dibagi
degree of freedom-nya sehingga disebut X2 relative.
TLI (Tucker Lewis Indeex), merupakan incremental index yang
membandingkan sebuah model yang diuji terhadap sebuah
baseline model .
CFI (Comparative Fit Index), rentang nilai sebesar 0 -1, dimana
semakin mendekati 1, mengindikasikan tingkat fit yang paling
tinggi.
7. Goodness of Fit Index
Goodness of Fit
Index
Cut off Value
X2-Chi Square Diharapkan Kecil
Significance Probability ≥ 0,05
RMSEA ≤ 0,08
GFI ≥ 0,90
AGFI ≥ 0,90
CMIN/DF ≤ 2,00
TLI ≥ 0,95
CFI ≥ 0,95
8. c. Uji Reliability dan Varience Extract.
Uji reliabilitas, dimana nilai reliabilitas yang diterima adalah
0,70 Uji reliabilitas dalam SEM dapat diperoleh melalui rumus
sebagai berikut :
Variance Extract, dimana nilai yang dapat diterima adalah
0,50 rumus yang digunakan adalah sebagai berikut :
j
StdLoading
Loading
Std
.
)
.
(
y
Reliabilit
Construct 2
2
j
Loading
Std
Loading
Std
Extract
Variance
.
.
.
2
2
9. 8. Interprestasi dan Modifikasi Model
Langkah terakhir adalah menginterprestasikan
model dan memodifikasikan model bagi model-
model yang tidak memenuhi syarat pengujian
yang dilakukan. Cut-off value sebesar 2,58 (Hair
at al. 1995; Joreskog, 1993, dalam
Ferdinand;p97 ) dapat digunakan untuk menilai
signifikansi tidaknya residual yang dihasilkan
oleh model. Nilai residual values yang lebih
besar atau sama dengan 2.58
diinterprestasikan sebagai signifikan secara
statistik pada tingkat 5%.
22. Langkah 1. Pengembangan
Model Berbasis Teori
Tujuan dari analisis ini adalah untuk
mengetahui bagaimana interkasi antara
harga, fasilitas, produk, promosi dan harga.
Penelitian ini menguji pengaruh harga,
fasilitas dan produk terhadap promosi serta
pengaruh harga, fasilitas, produk dan
promosi terhadap image
24. Langkah 4. Memilih Matriks
Input dan Teknik Estimasi
Setelah model dispesifikasi secara lengkap
langkah selanjutnya adalah memilih jenis
input. Apakah menggunakan input kovarian
atau input korelasi. Jika yang diuji adalah
hubungan kausalitas maka disarankan input
yang digunakan adalah kovarian (Hair ddk,
1995 dalam Ferdinand, 2005).
25. Langkah ke 5. Menilai kemungkinan
munculnya indentfication problem
Jika terdapat identification problem program
Amos akan memberikan warning, sehingga
pengguna akan melakukan langkah-langkah
perbaikan. Tetapi jika program Amos dapat
dijalankan menunjukkan bahwa besaran
standart error, varian error serta korelasi
antar koefisien estimasi berada dalam
rentang nilai yang tidak menunjukkan adanya
problem identifikasi.